当前的目标分割模型难以兼顾分割性能与推断效率，为此提出一种基于尺度注意知识迁移的自蒸馏目标分割方法。首先，构建了一个仅利用主干特征的目标分割网络作为推断网络，实现高效的前向推断过程。其次，提出了一种基于尺度注意知识的自蒸馏学习模型：一方面，设计了具有尺度注意机制的金字塔特征模块，利用尺度注意机制自适应地捕获不同语义水平的上下文信息，提取更具区分性的自蒸馏知识；另一方面，融合交叉熵、KL（Kullback-Leibler）散度和L2距离构造蒸馏损失，高效驱动蒸馏知识向分割网络迁移，提升泛化性能。该方法在COD（Camouflaged Object Detection）、DUT-O（Dalian University of Technology-OMRON）、SOC（Salient Objects in Clutter）等五个目标分割数据集上进行了验证：将所提推断网络作为基准网络，所提自蒸馏模型分割性能在Fβ 指标上平均提升3.01%，比免教师（TF）自蒸馏模型增加了1.00%；所提网络与近期的残差分割网络（R2Net）相比，参数量减少了2.33×106，推断帧率提升了2.53%，浮点运算量减少了40.50%，分割性能提升了0.51%。实验结果表明：所提方法能有效兼顾性能与效率，适用于计算和存储资源受限的应用场景。
安全帽的佩戴是工人人身安全的有力保障。针对采集的安全帽佩戴图像目标密集、像素点小、检测难度大的特点，提出一种面向安全帽的YOLOv5小目标检测算法。首先，基于YOLOv5算法优化边界框回归损失函数和置信度预测损失函数的计算方式，以提高算法在训练中对密集小目标特征的学习效果；然后，引入切片辅助微调和切片辅助推理（SAHI）对输入网络的图像进行切片处理，使得小目标对象产生更大的像素区域，进而改善网络推理与微调的效果。实验采用了工业场景中包含密集安全帽小目标的数据集进行训练。实验结果表明，改进后的算法相较于原始YOLOv5算法能将精确率提升0.26个百分点，召回率提升0.38个百分点；并且所提算法的平均精确率均值（mAP）达到了95.77%，相较于原始YOLOv5算法等几种算法提升了0.46~13.27个百分点。结果验证了切片辅助微调和SAHI的引入可以提升密集场景下小目标检测识别的精确率和置信度，减少误检漏检的情况，有效满足安全帽佩戴检测的需求。
针对光栅投影三维轮廓测量中被测对象所含特性越来越复杂，提取到的细化光栅条纹存在大量断裂，导致细化条纹编码困难的问题，提出了一种基于彩色结构光的自动编码算法。设计了一种新的彩色结构光模型并且给出了其设计原理，实现了一种新的条纹自动编码算法。该算法从投影的彩色结构光栅中提取到带有颜色信息的细化光栅条纹，通过判断条纹最佳相邻的连通区域依次对其每种颜色的细化条纹进行编码，最后利用光栅模型的周期性进行组合编码得到完整图像的条纹编码。仿真实验结果表明：该彩色结构光模型设计简单，条纹自动编码算法的准确率较高，其误差能够降低将近10%，利用得到的条纹编码数据能够重建出较理想的三维点云数据模型。
针对传统的集中式架构的Web服务注册系统存在性能瓶颈、单点故障的问题，设计并实现了基于结构化对等协议的Web服务注册系统。系统包括配置、调度分发、对等通信、权限验证、JUDDI和网络资源监控等六大模块，提出了基于Pastry的服务注册系统调度和通信算法,设计了相应的Web服务注册和发现的流程，采用SoapUI和LoadRunner对系统进行测试。实验结果表明，该系统能够支持大规模服务请求，具有动态可扩展性，在模拟多并发实验中，服务注册和发现的响应速度都提高了1倍。
针对K-means聚类算法通常无法事先设定聚类数，而人为设定初始聚类数目容易导致聚类结果不够稳定的问题，提出一种新的高效率的K-means最佳聚类数确定算法。该算法通过样本数据分层来得到聚类数搜索范围的上界，并设计了一种聚类有效性指标来评价聚类后类内与类间的相似性程度，从而在聚类数搜索范围内获得最佳聚类数。仿真实验结果表明，该算法能够快速、高效地获得最佳聚类数，对数据集聚类效果良好。
